一.DataX简介
1.DataX概述
DataX 是阿里巴巴开源的一个异构数据源离线同步工具，致力于实现包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能。
源码地址：https://github.com/alibaba/DataX
2.DataX支持的数据源
https://github.com/alibaba/DataX
3.DataX架构原理
为了解决异构数据源同步问题，DataX将复杂的网状的同步链路变成了星型数据链路，DataX作为中间传输载体负责连接各种数据源。当需要接入一个新的数据源的时候，只需要将此数据源对接到DataX，便能跟已有的数据源做到无缝数据同步。
4.DataX框架设计
DataX本身作为离线数据同步框架，采用Framework + plugin架构构建。将数据源读取和写入抽象成为Reader/Writer插件，纳入到整个同步框架中。
5.DataX运行流程
6.DataX调度决策思路
举例来说，用户提交了一个DataX作业，并且配置了总的并发度为20，目的是对一个有100张分表的mysql数据源进行同步。DataX的调度决策思路是：
（1）DataX Job根据分库分表切分策略，将同步工作分成100个Task。
（2）根据配置的总的并发度20，以及每个Task Group的并发度5，DataX计算共需要分配4个TaskGroup。
（3）4个TaskGroup平分100个Task，每一个TaskGroup负责运行25个Task。
7.DataX与Sqoop对比
二.DataX部署
1.下载DataX安装包并上传到linux系统
下载地址：http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz
2.解压datax.tar.gz到/opt/software
[root@VM-4-10-centos datax]# tar -zxvf datax.tar.gz -C ../software/
3.自检，执行如下命令
[root@VM-4-10-centos datax]# python /opt/software/datax/bin/datax.py /opt/software/datax/job/job.json
如果出现下图报错，说明路径有问题，检查路径。
三.DataX的使用
1.DataX任务提交命令
DataX的使用十分简单，用户只需根据自己同步数据的数据源和目的地选择相应的Reader和Writer，并将Reader和Writer的信息配置在一个json文件中，然后执行如下命令提交数据同步任务即可。
2. DataX配置文件格式
可以使用如下命名查看DataX配置文件模板
[root@VM-4-10-centos datax]# python bin/datax.py -r mysqlreader -w hdfswriter
3.同步MySQL数据到HDFS案例
先测试从mysql读取数据打印控制台是否正常
MySQL读插件官网：https://github.com/alibaba/DataX/blob/master/mysqlreader/doc/mysqlreader.md
{
"job": {
"setting": {
"speed": {
"channel":1
}
},
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"column": [
"id",
"create_time",
"update_time",
"value"
],
"where": "id>=3",
"connection": [
{
"jdbcUrl": [
"jdbc:mysql://10.0.4.10:3306/medical?useUnicode=true&allowPublicKeyRetrieval=true&characterEncoding=utf-8"
],
"table": [
"dict"
]
}
],
"password": "123456",
"splitPk": "",
"username": "root"
}
},
"writer": {
"name": "streamwriter",
"parameter": {
"print": false,
"encoding": "UTF-8"
}
}
}
]
}
}
数据打印正常读取插件配置正常。
配置hdfs写入插件
{
"job": {
"setting": {
"speed": {
"channel":1
}
},
"content": [
{
"reader": {
"name": "mysqlreader", #读取数据的插件名称
"parameter": {
"column": [ #读取的表的字段
"id",
"create_time",
"update_time",
"value"
],
"where": "id>=3", #过滤条件
"connection": [ #连接信息
{
"jdbcUrl": [ #连接链接
"jdbc:mysql://10.0.4.10:3306/medical?useUnicode=true&allowPublicKeyRetrieval=true&characterEncoding=utf-8"
],
"table": [ #表名
"dict"
]
}
],
"password": "123456", #密码
"splitPk": "",
"username": "root" #用户名
}
},
"writer": {
"name": "hdfswriter", #写入数据的插件名称
"parameter": {
"defaultFS": "hdfs://101.91.153.39:8020", #hdfs连接信息
"fileType": "text", #文件格式
"path": "/datax/mysql", # 写入地址
"fileName": "dict", #文件名称
"column": [
{
"name": "id",
"type": "BIGINT"
},
{
"name": "create_time",
"type": "STRING"
},
{
"name": "update_time",
"type": "STRING"
},
{
"name": "value",
"type": "STRING"
}
],
"writeMode": "append", #写入文件的方式
"fieldDelimiter": "\t", #字段分割符
"compress":"gzip" #hdfs文件压缩类型，默认不填写意味着没有压缩。
}
}
}
]
}
}
如果写入HDFS出现如下错误
原因：NameNode节点存放的是文件目录，也就是文件夹、文件名称。 本地可以通过公网访问
NameNode，所以可以进行文件夹的创建，当上传文件需要写入数据到DataNode时， NameNode 和DataNode是通过局域网进行通信，NameNode返回地址为 DataNode 的私有 IP，本地无法访问。解决方法：返回的IP地址无法返回公网IP，只能返回主机名，通过主机名与公网地址的映射便可以访问到DataNode节点，问题将解决。
datax的hdfswriter设置相关连接属性的hadoopConfig。
"hadoopConfig": {
"dfs.client.use.datanode.hostname": true
},
运行成功：
